CN105406461A - 一种配电网停电事件的负荷自适应动态监测方法 - Google Patents

Abstract

本发明公开了一种配电网停电事件的负荷自适应动态监测方法，利用配电网业务数据基于熵权法计算计划停电时间、停电告警时间、停电开始时间和停电持续时间4个指标的权重并综合成一个指标；基于非机理方法建立差分方程模型进行数据建模，基于粒子群优化算法对模型的参数进行辨识；对负荷自适应动态监测模型进行计算和验证，根据负荷聚类群进行停电事件的诊断分析和计算结果的讨论。本发明的优点：本发明提出的停电事件的负荷自适应动态监测方法，经模型计算与验证，效果明显优于动态监测模型。该方法可运用于实际业务数据的分析或其他相关领域，能有效地针对输入数据进行挖掘，对负荷特性进行分类和决策，提高了停电事件监测的准确性和有效性。

Description

一种配电网停电事件的负荷自适应动态监测方法

技术领域

本发明涉及配电网供电在线监测、配网停复电和负荷动态监测研究等技术领域，具体涉及一种配电网停电事件的负荷自适应动态监测方法。

技术背景

电力系统是由发电厂、输电网络以及电力负荷三者共同组成的能量生产、传输和使用的系统。发电厂发出的电能经高压输电网和低压配电网传输到各个用户，并由安装在用户处的用电设备所消耗。电力负荷就是这些用电设备的总称，其中有时也包括配电网络，简称为负荷。负荷有电压、频率等特性。用于描述负荷特性的数学方程就称为负荷模型。

描述配电网各节点运行状态的数学模型以及由其构成的全局数学模型是配电网数字仿真的基础，模型的准确与否直接影响仿真结果和控制决策方案。目前电力负荷的模型仍比较简单。随着配电网规模的不断扩大以及各种新型用电设备的不断出现，电力负荷的特性变得越来越复杂。负荷自适应动态监测模型的准确性对配电网的传输以及系统仿真结果影响较大，不恰当的模型会使所得结果与系统实际情况不一致，甚至违背事实，从而构成系统的潜在威胁或造成不必要的投资浪费。现有实际配电网仿真中的负荷模型，大都采用基于静态负荷模型。

在配电网结构的动态分析中，要经常用到负荷的动态监测模型。动态负荷监测模型对电力系统的动态电压稳定、暂态稳定、小扰动稳定分析等具有较大影响，有必要建立符合实际情况的动态负荷监测模型。然而由于负荷具有时变性，建立精确的动态负荷监测模型一直是电力系统领域的一个难题。

基于负荷自适应动态监测技术的配电网停电事件打破传统模拟式故障指示器的技术，实现数字化监测，采用量化停电监测模型的方法，监测线路各点的负荷电压和负荷电流等特性，提高了停电事件监测的准确性和有效性。负荷自适应动态监测方法能够应对时变性对建模造成的影响，并能够对每一个负荷点都进行负荷特性实测，由负荷实测点辨识出的模型进行推广到整个区域配电网中，且能够根据配电网实时运行状况对模型的参数进行修正。一种配电网停电事件的负荷自适应动态监测方法具有参数辨识精度高、时变性和地域分散性等优势特征。

发明内容

本发明的目的是提供一种配电网停电事件的负荷自适应动态监测方法，通过建立非机理模型(差分方程模型)和利用粒子群优化算法进行参数辨识，并对配电网计量点负荷数据进行建模，从而实现配电网停电事件准确监测。

本发明解决上述技术问题的技术方案如下：

1.一种配电网停电事件的负荷自适应动态监测方法，首先从负荷特性测量装置和数据采集和监控终端系统配电网业务数据进行采集、分析、管理，采集的数据包括计划停电、停电告警和计量点负荷数据等，利用熵权法计算出计划停电时间、停电告警时间、停电开始时间和停电持续时间4个指标的权重并整合成一个指标；然后根据所采集的数据序列进行配电网数据建模，建立基于非机理方法建立差分方程模型，基于粒子群优化算法对模型的参数进行辨识；最后对所建立的负荷自适应动态监测模型进行模型计算和模型验证，根据负荷聚类群进行停电事件的诊断分析，并对模型的运用和计算结果进行了深入讨论。

上述的配电网业务数据的采集、分析、管理，是对配电网数据传输过程的数据进行挖掘并抽取可能与停电事件相关的关键字段，包括表计编号、终端逻辑地址、电压、电流、有功功率和无功功率等。对提取的相关字段进行二次计算，同时对数据进行预处理，包括缺失值处理、异常值处理和数据规约等。

上述的非机理方法，是一种非等值机模型描述，该方法可以方便、准确地描述负荷的动态特性，也被称为输入、输出模型(I/O模型)。它将要研究的负荷看作是一个“黑箱”，其输入是负荷母线的电压和电流，输出是负荷吸收的有功功率和无功功率，构造描述输入变量与输出变量之间的模型方程，然后通过系统辨识理论确定模型参数。

上述的粒子群优化算法，是一种基于种群的随机优化技术。它将每个优化问题的解看作是搜索空间中的“粒子”，所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度其方向和距离，然后粒子们就追随当前的最优粒子在解空间中搜索。PSO算法是一种基于群体智能的新型演化计算技术，具有简单易实现、设置参数少、全局优化能力强等优点。已在函数优化、模式识别、信号处理、机器人技术等许多领域取得了成功的应用。

2.如1.所述的一种配电网停电事件的负荷自适应动态监测方法，具体步骤如下：

(1)配电网业务数据采集并确定关键字段：采集的数据包括计划停电、停电告警和计量点负荷数据等。其中计量点负荷数据包括表计编号MP_ID、终端逻辑地址TERM_ADDR、A相电压VOLT_A、A相电流CURR_A、A相有功功率POW_A、A相无功功率NPOW_A等。

(2)基于非机理方法建立差分方程模型：把需要研究的负荷看作“黑箱”，输入数据未负荷母线的电压和电流，输出是负荷吸收的有功功率和无功功率，构造输入变量和输出变量之间的差分方程模型，然后通过系统辨识理论确定模型参数。

(3)基于粒子群优化算法的系统辨识：根据步骤(2)确定的差分方程模型，对模型中的参数进行估计和系统辨识。选择与实测输出数据拟合最好的模型，根据输入、输出数据来辨识负荷自适应动态监测模型。

(4)负荷自适应动态监测：对已建好的数学模型进行计算和负荷的动态监测，得到输出结果，即有功功率和无功功率。对负荷特性进行聚类，对于同类的负荷样本，利用重心法计算聚类中心作为等效的实测响应样本。

(5)停电事件诊断：将所建立的模型应用于配电网停电事件数据分析中，并进行模型验证，对验证结果进行分析评估。

本发明的优点：

本发明提出的停电事件的负荷自适应动态监测方法，经模型计算与验证，效果明显优于动态监测模型。该方法可运用于实际业务数据的分析或其他相关领域，能有效地针对输入数据进行挖掘分析，对负荷特性进行分类和决策，提高了停电事件监测的准确性和有效性。

附图说明

图1问题解决的流程图。

图2停电事件的负荷自适应动态监测方法过程。

图3系统辨识原理图。

图4PSO算法流程图。

图5配电网停电时间指标体系。

图6熵权法计算过程。

图7有功功率输出结果误差图。

图8无功功率输出结果误差图。

图9计划停电指标和停电开始时间的脉冲响应曲线图。

图10聚类谱系图。

具体实施方式

下面结合附图和实施例对本发明的技术方案进行详细的说明。

本发明问题解决的流程如图1所示。

图2给出了一种配电网停电事件的负荷自适应动态监测方法过程，具体步骤如下：

步骤1：配电网业务数据采集。

采集的数据包括计划停电、停电告警和计量点负荷数据等。其中计量点负荷数据包括表计编号MP_ID、终端逻辑地址TERM_ADDR、A相电压VOLT_A、A相电流CURR_A、A相有功功率POW_A、A相无功功率NPOW_A等。

步骤2：基于非机理方法的差分方程模型。

把需要研究的负荷看作“黑箱”，输入数据未负荷母线的电压和电流，输出是负荷吸收的有功功率和无功功率，构造输入变量和输出变量之间的差分方程模型，然后通过系统辨识理论确定模型参数。

步骤3：基于粒子群优化算法的系统辨识。

根据步骤2确定的差分方程模型，对模型中的参数进行估计和系统辨识。选择与实测输出数据拟合最好的模型，根据输入、输出数据来辨识负荷自适应动态监测模型。系统辨识建模的原理见图3。

步骤4：负荷自适应动态监测。

对已建好的数学模型进行计算和负荷的动态监测，得到输出结果，即有功功率和无功功率。对负荷特性进行聚类，对于同类的负荷样本，利用重心法计算聚类中心作为等效的实测响应样本。

步骤5：停电事件诊断：

将所建立的模型应用于配电网停电事件数据分析中，并进行模型验证，对验证结果进行分析评估。

所述的步骤1具体说明如下：

这里对采集的计量点负荷数据予以说明，包括数据字段名称、注释、数据类型和关键字等。如表1所示，用VOLT、CURR、POW和NPOW分别表示电压、电流、有功功率和无功功率。对每一个字段标注数据类型。

表1表计负荷实时曲线数据采集说明

字段名称	字段注释	数据类型	关键字	可空
					OBJ_ID	计量点编号	NUMBER(10)	PK	Not
LOAD_DT	数据入库时间	DateTime
					DATA_TIME	数据对应日期	datetime	PK	Not
VOLT_A	A相电压	numeric(12,6)
					VOLT_B	B相电压	numeric(12,6)
VOLT_C	C相电压	numeric(12,6)
					CURR_A	A相电流	numeric(12,6)
CURR_B	B相电流	numeric(12,6)
					CURR_C	C相电流	numeric(12,6)
POW_S	总有功功率	numeric(12,6)
					POW_A	A相有功功率	numeric(12,6)
POW_B	B相有功功率	numeric(12,6)
					POW_C	C相有功功率	numeric(12,6)
NPOW_S	总无功功率	numeric(12,6)
					NPOW_A	A相无功功率	numeric(12,6)
NPOW_B	B相无功功率	numeric(12,6)
					NPOW_C	C相无功功率	numeric(12,6)
FACTOR_S	总功率	numeric(12,6)
					FACTOR_A	A相功率因数	numeric(12,6)

FACTOR_B	B相功率因数	numeric(12,6)
					FACTOR_C	C相功率因数	numeric(12,6)

所述的步骤2具体说明如下：

利用非机理模型可以对负荷特性进行实时描述与刻画，使用方便。常用的非机理动态负荷模型有差分方程模型、传递函数模型和状态空间模型等。下面给出差分方程模型的一般形式：

$\left\{\begin{array}{c}{P}_k=\underset{i=1}{\overset{n_P}{\Σ}}{a}_{Pi}{P}_{k-i}+\underset{i=1}{\overset{n_U}{\Σ}}{b}_{Pi}{U}_{k-i}+\underset{i=1}{\overset{n_I}{\Σ}}{c}_{Pi}{I}_{k-i}\\ Q_k=\underset{i=1}{\overset{n_Q}{\Σ}}{a}_{Qi}{Q}_{k-i}+\underset{i=1}{\overset{n_U}{\Σ}}{b}_{Qi}{U}_{k-i}+\underset{i=1}{\overset{n_I}{\Σ}}{c}_{Qi}{I}_{k-i}\end{array}\right.$

式中，P_k,Q_k分别表示k时刻的有功功率和无功功率；U,I分别表示电压和电流。n_P,n_Q,n_U,n_I分别表示有功功率、无功功率、电压和电流出现的次数。

所述的步骤3具体说明如下：

S3.1粒子群优化算法的数学描述

设总粒子数为N，搜索空间维数为D(即模型待识别参数个数)。第i个粒子的位置表示为向量X_i＝(X_i1,X_i2,…,X_iD)，即第i组待识别负荷自适应动态监测模型参数；第i个粒子X_i的个体最优值为P_id(d＝1,2,…,D)；所有粒子X_i(i＝1,2,…,N)中，对应最优的作为该粒子群的全局最优值，记为第i个粒子的位置变化率为向量V_i＝(V_i1,V_i2,…,V_iD)，每个粒子的位置按如下方式进行变化：

$V_{id}^{t+1}={\mathrm{\ξV}}_{id}^t+{\mathrm{\τ}}_1{\mathrm{rand}}_1(P_{id}-X_{id}^t)+{\mathrm{\τ}}_2{\mathrm{rand}}_2(P_d^g-X_{id}^t)$

$X_{id}^{t+1}=X_{id}^t+V_{id}^{t+1}$

式中，τ₁,τ₂为大于0的常数，称为加速因子；ξ称为惯性因子。

适应度函数采用均方百分比误差计算：

$fit=\sqrt{\frac{1}{Num}\underset{k=1}{\overset{Num}{\Σ}}\[{\left(\frac{P_m\left(k\right)-P\left(k\right)}{P_m\left(k\right)}\right)}^2+{\left(\frac{Q_m\left(k\right)-Q\left(k\right)}{Q_m\left(k\right)}\right)}^2\]}$

式中，Num表示表计采样点数，P_m(k),Q_m(k)表示模型动态响应第k个点的采样值，P(k),Q(k)表示实测动态响应第k个点的采样值。

S3.2粒子群优化算法的算法流程

粒子群优化算法的算法流程图见图4，具体步骤如下：

S3.2.1初始化粒子种群，以随机的方式初始化每个粒子的位置和速度，设定惯性常数加速常数ξ，加速常数τ₁,τ₂，个体最优值pbest，群体最优值gbest；

S3.2.2根据适应度函数计算每个粒子当前的适应值；

S3.2.3将计算出的每个粒子当前的适应值与pbest进行比较，如果优于pbest,则将其作为该粒子当前最优值pbest。将每个粒子的适应值与gbest进行比较，如果优于gbest，则将其作为群体最优值gbest；

S3.2.4根据粒子的位置变化方式，更新粒子的速度和位置；

S3.2.5检查终止条件，比如是否达到最大迭代次数、全局最优值是否满足最小界限，如果满足条件则迭代终止，否则返回S3.2.2。

算法算例

为了验证本发明方法的有效性，说明算法的优良特点，设计下面实验对其进行验证和比较研究。按照如下步骤进行实验研究：

步骤1：配电网业务数据采集：从负荷特性测量装置和数据采集和监控系统中获取配电网停电事件的相关业务数据。采集的数据包括计划停电、停电告警和计量点负荷数据等。配电网停电指标体系见图5。数据采集间隔为15min，并抽取25459条数据模型输入数据样本进行存储，形成相对应的数据表格，为后续数据建模做好准备工作。

步骤2：基于非机理方法的差分方程模型。

在采集的停电事件的数据中，出现停电的时刻以异常值代替。运用熵权法如图6所示将停电时间指标体系的二级指标x(t₁)，x(t₂)，x(t₃)和x(t₄)整合成一个指标CX，即确定评价指标的熵权值时，根据

$H\left(x_j\right)=-\mathrm{\λ}{\Σ}_{i=1}^n{\mathrm{\υ}}_{ij}{\mathrm{ln\υ}}_{ij},j=1,2,...,J$

式中，λ为调整系数，λ＝1/lnn；υ_ij为第i个评价单元(用电客户)第j个指标标准化的值。通过计算得，H(x₁)＝0.596，H(x₂)＝0.254，H(x₃)＝-32.1739和H(x₄)＝-4.7283。利用熵值和权重值的转化关系：

${\mathrm{\ω}}_j=\frac{1-H\left(x_j\right)}{J-{\mathrm{\Σ}}_{j=1}^{J}H\left(x_j\right)},j=1,2,...,J$

式中，0≤ω_j≤1,可以将熵值转换为权重值。即可得到评价指标体系的权重值分别为0.023、0.023877、0.812743和0.14038。这样，就可以方便地区分模型的输出，即有功功率和无功功率。根据步骤1的数据和差分方程模型：

$\left\{\begin{array}{c}{P}_k=\underset{i=1}{\overset{n_P}{\Σ}}{a}_{Pi}{P}_{k-i}+\underset{i=1}{\overset{n_U}{\Σ}}{b}_{Pi}{U}_{k-i}+\underset{i=1}{\overset{n_I}{\Σ}}{c}_{Pi}{I}_{k-i}\\ Q_k=\underset{i=1}{\overset{n_Q}{\Σ}}{a}_{Qi}{Q}_{k-i}+\underset{i=1}{\overset{n_U}{\Σ}}{b}_{Qi}{U}_{k-i}+\underset{i=1}{\overset{n_I}{\Σ}}{c}_{Qi}{I}_{k-i}\end{array}\right.$

可以对模型进行计算，计算出每个时点的有功功率和无功功率，根据有功功率和无功功率两项指标特性进行停电时段的判断与分析。有功功率输出结果误差见图7，无功率输出结果误差见图8。

步骤3：基于粒子群优化算法的系统辨识。

根据步骤2确定的差分方程模型，对模型中的参数进行估计和系统辨识。首先建立一个适应度函数以对参数进行辨识。通过对所采集的数据进行分析和根据配电网实际运行特征，将模型去边界考虑，以求得更加良好的适应函数。定义适应度函数为

$f(x_1,x_2,x_3,x_4)=-{\Σ}_{j=1}^{1/h}{\{\[u(j\·h)-j\·h\]\frac{{\mathrm{\Δ}}^{2}u(j\·h)}{{\mathrm{\Δx}}^2}+o^2(j\·h)\}}^2$

其中，u(·)为每个时点的有功功率函数(h＝n_P,n_U,n_I)或无功功率函数(h＝n_Q,n_U,n_I)；o²(·)表示高阶无穷小。运用逼近定理并化简整理得到适应度函数的逼近函数为百分比误差的计算公式，即

$fit=\sqrt{\frac{1}{Num}\underset{k=1}{\overset{Num}{\Σ}}\[{\left(\frac{P_m\left(k\right)-P\left(k\right)}{P_m\left(k\right)}\right)}^2+{\left(\frac{Q_m\left(k\right)-Q\left(k\right)}{Q_m\left(k\right)}\right)}^2\]}$

其中，Num表示表计采样点数，P_m(k),Q_m(k)表示模型动态响应第k个点的采样值，P(k),Q(k)表示实测动态响应第k个点的采样值。

计划停电指标和停电开始时间的脉冲响应曲线见图9。

由图9看出，适应度函数具有较好的收敛效果，两项指标的脉冲响应函数反应出，在配电网不同的计划停电时间和停电开始时间时，计算的函数值有时变特征，出现了不同的峰值，从而可根据这些峰值进行停电事件的判断和应急措施的实施。因此可以根据实际的配电网停电时间的指标数据求得适应的函数的具体表达式。接着，选择与实测输出数据拟合最好的模型，根据输入、输出数据来辨识负荷自适应动态监测模型。系统辨识建模的原理见图3。

表1模型辨识结果及误差

步骤4：负荷自适应动态监测。

对已建好的数学模型进行计算和负荷的动态监测，得到输出结果，即有功功率和无功功率。对负荷特性进行聚类，对于同类的负荷样本，利用重心法计算聚类中心作为等效的实测响应样本。聚类谱系见图10。

表2负荷自适应动态监测结果

注：模型判断结果和实测结果列中，1表示停电，0表示未停电。

根据停电性质，停电可分为故障停电和预安排停电，其中故障停电包括内部故障停电和外部故障停电，预安排停电包括计划停电、临时停电和限电。针对计划停电、停电告警、配电网停电开始时间和持续时间等相关业务数据，表2是利用所建立负荷自适应动态监测模型，基于计量点前2000个样本进行动态监测的部分结果，对计划停电和停电告警进行动态匹配，从动态监测和匹配结果容易得出，模型计算的准确率为89％。

步骤5：停电事件诊断。

将所建立的模型应用于配电网停电事件数据分析中，并进行模型验证，对验证结果进行分析评估。对模型计算结果进行对比分析，可以看出采用负荷自适应动态监测方法所得的有功功率和无功功率的误差都比较小，所得模型的精度较高；说明所建模型的拟合效果要更好一些。因此，根据实际情况对配电网计量点的负荷数据进行动态建模分析是有必要的。

Claims (2)

1.一种配电网停电事件的负荷自适应动态监测方法，其特征在于，首先从负荷特性测量装置和数据采集和监控终端系统配电网业务数据进行采集、分析、管理，利用熵权法计算出计划停电时间、停电告警时间、停电开始时间和停电持续时间4个指标的权重并整合成一个指标；然后基于非机理方法建立差分方程模型进行配电网数据建模，基于粒子群优化算法对模型的参数进行辨识；最后对所建立的负荷自适应动态监测模型进行模型计算和模型验证，根据负荷聚类群进行停电事件的诊断分析，并对模型的运用和计算结果进行了深入讨论；

所述的配电网业务数据的采集、分析、管理，是对配电网数据传输过程的数据进行挖掘并抽取可能与停电事件相关的关键字段，包括表计编号、终端逻辑地址、电压、电流、有功功率和无功功率，对提取的相关字段进行二次计算，同时对数据进行预处理，包括缺失值处理、异常值处理和数据规约等；

所述的非机理方法，是一种非等值机模型描述，该方法可以方便、准确地描述负荷的动态特性，也被称为输入、输出模型-I/O模型，它将要研究的负荷看作是一个“黑箱”，其输入是负荷母线的电压和电流，输出是负荷吸收的有功功率和无功功率，构造描述输入变量与输出变量之间的模型方程，然后通过系统辨识理论确定模型参数；

所述的粒子群优化算法，是一种基于种群的随机优化技术，它将每个优化问题的解看作是搜索空间中的“粒子”，所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度其方向和距离，然后粒子们就追随当前的最优粒子在解空间中搜索；PSO算法是一种基于群体智能的新型演化计算技术，具有简单易实现、设置参数少、全局优化能力强等优点；已在函数优化、模式识别、信号处理、机器人技术等许多领域取得了成功的应用。

2.如权利要求1所述的一种配电网停电事件的负荷自适应动态监测方法，其特征在于，具体步骤如下：

(1)配电网业务数据采集并确定关键字段：采集的数据包括计划停电、停电告警和计量点负荷数据等；其中计量点负荷数据包括表计编号MP_ID、终端逻辑地址TERM_ADDR、A相电压VOLT_A、A相电流CURR_A、A相有功功率POW_A、A相无功功率NPOW_A；

(2)基于非机理方法建立差分方程模型：把需要研究的负荷看作“黑箱”，输入数据未负荷母线的电压和电流，输出是负荷吸收的有功功率和无功功率，构造输入变量和输出变量之间的差分方程模型，然后通过系统辨识理论确定模型参数；

(3)基于粒子群优化算法的系统辨识：根据步骤(2)确定的差分方程模型，对模型中的参数进行估计和系统辨识，选择与实测输出数据拟合最好的模型，根据输入、输出数据来辨识负荷自适应动态监测模型；

(4)负荷自适应动态监测：对已建好的数学模型进行计算和负荷的动态监测，得到输出结果，即有功功率和无功功率；对负荷特性进行聚类，对于同类的负荷样本，利用重心法计算聚类中心作为等效的实测响应样本；

(5)停电事件诊断：将所建立的模型应用于配电网停电事件数据分析中，并进行模型验证，对验证结果进行分析评估。